ItoTTS: два натуральных голоса для TTS на микроконтроллере ESP32-S3 за 4.89 МБ

Команда Lokutor представила легковесный движок синтеза речи ItoTTS, оптимизированный для работы на дешевых микроконтроллерах ESP32-S3. Модель весит всего 4.89 МБ на голос, поддерживает потоковую передачу аудио 24 кГц и демонстрирует высокие показатели естественности звучания (UTMOS 4.46), превосходя другие решения для встраиваемых систем. Проект открыт для некоммерческого использования, а код и веса доступны на GitHub и Hugging Face.